柏 林， 唐 智, 徐冠基

(重庆大学机械传动国家重点实验室 重庆，400044)

引 言

1998年，Huang等提出了一种时频处理方法EMD,并指出EMD存在严重的模态混叠以及抗噪效果差等缺点。2014年，Dragomiretskiy等[1]提出一种新的信号分解估计方法VMD，主要通过迭代搜寻变分模型的最优解，得到每个分量的中心频率以及带宽，从而有效分离各分量。Mohanty等将EMD和VMD在轴承故障诊断中的应用进行了对比，VMD相对于EMD具有噪声鲁棒性好、无端点效应等优点；但VMD分解也存在其固有缺陷，例如需要确定参数二次惩罚因子α以及分解层数k，并要对其进行优化选择，否则模态混叠现象无法避免，且文中对于VMD参数的确定并未给出。刘长良等[3]将VMD结合模糊C均值聚类应用在轴承故障诊断中，但是k的确定依靠分解后得到的分量是否存在过分解来判断k值是否合适，且没有有效的α确定方法。目前，有文献针对其参数进行优化，如唐贵基等[5]利用粒子群优化算法对VMD参数进行寻优，取得了较好的效果，但寻优过程增加了VMD分解的时长，存在时效性上的损失。文献[6]将改进后的VMD与奇异值差分谱结合来分解和重构信号，达到判断轴承故障类型的目的。如何在无先验知识的情况下提高VMD在工程中的适用性，成为当前研究的热点。解决的方法有两种：a.采用智能计算对其参数进行优化；b.采取后处理的方法对参数未优化的盲分解所得分量进行再分离重构。

VMD在故障分析中存在的一个瓶颈是如何进行故障敏感分量的选择，特别是对于早期故障，其特征往往较为微弱，难以用特定的某个参数指标进行准确筛选。……